Brick Liao

廖重榮（Brick Liao），91APP 數據產品整合部副總經理。長期帶領 91APP CDMP 產品與數據顧問團隊，協助台灣零售與電商品牌把第一方數據變成可操作的受眾標籤，涵蓋會員分群、廣告受眾、OMO 整合與個人化行銷

91APP CDMP

缺貨與超賣的代價，多數品牌只算到取消那一單為止

缺貨的損失被普遍低估，因為多數品牌用「少賣的件數乘上售價」在估，這等於預設顧客只是延後購買。跨國研究量到的行為並非如此。本文拆解缺貨與超賣的三段代價：當下那一單、台灣網路交易法規下的契約義務、以及後續行為的變化，並說明可售量為什麼在系統之間對不齊。

91APP CDMP

多品牌集團的會員資料該不該打通？拆成識別、分析、行動三層再決定

集團旗下多品牌要不要共用會員池，不適合當成一個是非題。把決策拆成識別層、分析層、行動層，會發現三層的主要煞車不一樣：識別層卡資料品質，分析層卡治理規則，行動層卡當初蒐集資料時對顧客說過的話。跨境展店再疊一層傳輸限制。本文從台灣法規現況、Marriott 併購案與集團組織設計，拆解多品牌與跨境情境下的資料治理決策順序。

91APP CDMP

檔期業績怎麼看才準？把多買、提前買和少賺分開算

檔期當期的營業額裡，混著真正多賣的、把未來訂單提前收走的、以及本來就要買卻被折扣壓低價格的。這三件事在報表上長得一模一樣。本文用經濟部統計處的公開月報示範它們有多難分，說明觀察窗、對照組與會員層級資料各能解決哪一段，也說清楚哪些情境下這套做法會失效。

91APP CDMP

檔期折扣深度怎麼定？毛利率四成的商品打七折，銷量得變四倍才守得住原本的毛利

檔期業績成長不等於賺錢。折扣砍掉的是單位毛利，銷量要補回來的幅度遠比多數人以為的大：毛利率四成的商品打七折，銷量得變四倍才守得住原本的毛利金額。這篇用公開財報與官方統計拆解折扣深度該怎麼算，說明哪些商品與哪一層會員該預設不打折、折扣疊加為什麼一定要回到訂單層看，以及檔期結束後價格怎麼回補，給台灣零售品牌一份可以直接放進企劃書的折扣紀律清單。

AI Agent

AI 決策責任歸屬：行銷自動化出事的時候，誰的名字在核准欄

AI 已經從產草稿走到直接動客人：發推播、給折扣、回客訴、圈受眾。出事時「是 AI 決定的」不能當理由。這篇用對外可見性、可逆性、金額三條軸，說明哪些自動化動作可以放手、哪些必須有人簽名，並從 FTC 與 Rite Aid 的和解、Zillow Offers 收攤、EEOC 與 iTutorGroup 的訴訟和解，整理出簽核該看什麼證據、責任該分給哪幾種角色、哪些動作出錯後回不去，以及怎麼不讓簽核變成拖慢一切的形式關卡。文中對照個資法第 20 條與《人工智慧基本法》的問責原則，給台灣零售品牌一份可以在一個下午開始動的清單。

AI Agent

AI Agent 用量成本怎麼估：訂閱費之外，那筆跑起來才開始算的帳

企業評估 AI 工具時算的是訂閱費，真正會失控的是跑起來之後的用量成本。這篇拆開席次費與用量費兩種成本結構，說明長對話、批次處理、retry 迴圈與把整份報表塞進 context 為什麼會讓帳單非線性成長，並給出開跑前估量級的算法、官方降價機制的適用條件、在後台設上限與告警的做法，以及哪些工作其實不該交給 agent。

AI 應用與 AI Skill

AI 自動化流程會安靜地失效：沒報錯的那種壞，比報錯更難發現

自動化最常見的壞法是繼續跑。平台功能退場、API 版本轉接、模型別名換版、欄位改口徑，都不一定會讓流程報錯，卻會讓它安靜地產出過期的結果。這篇拆解靜默失效的來源、控制本身也有保存期限這件事，以及可以記下最後確認日的檢查設計與責任分工。

技術與數據優化

退貨率怎麼算才看得出問題：分母是訂單、件數還是金額，決定了你看到的答案

同一份報告裡的兩個退貨率差了 3.5 個百分點，兩個都對，差別只在分母含不含門市。這篇拆開退貨率的三種算法分別回答客服、倉儲與財務的哪個問題、為什麼跨品類比大小量到的是商品屬性與法律條件、以及退貨率變高其實可能是新客變多的副作用。附台灣消保法七日猶豫期的條件式例外，以及品牌真正該追蹤的切分後退貨率。

會員經營

退貨率高的會員該不該留？先算淨貢獻，別急著上黑名單

退貨率高的會員不一定是賠錢的會員。把逆物流與人工成本放進同一條算式，算出「退貨後淨貢獻」再看退貨率，會員的排序有可能整個對調。這篇談怎麼算單一會員的淨貢獻、損益兩平退貨率怎麼推、怎麼用淨貢獻與退貨率排營運優先序，以及為什麼一刀切黑名單會砍掉好客人。

技術與數據優化

退貨原因分析怎麼做：欄位設計決定你收到的是結案理由，還是商品頁修改單

退貨原因是顧客免費送上門的商品資訊改善清單，多數品牌卻讓它爛在客服工單裡。收不到有用資訊的原因通常同時有四個：欄位用途、填答設計、資料顆粒度、以及有沒有人負責接。這篇拆開可行動的原因分類要過哪三道篩選、怎麼把原因對回最小可行分析單位、以及哪些改商品頁、哪些該回頭改選品與備貨。

OMO 全通路洞察分析

虛實整合不是接完資料就結束：線上線下對不起來的地方，客人比報表先發現

多數品牌的 OMO 專案卡住的地方，已經從「線上線下有沒有接起來」移到「接起來之後，兩邊講的話對不對得上」。庫存、活動與券、會員權益與點數、退貨與售後，這四個地方每天都在產生落差，而落差被客人看見的速度，永遠比出現在報表上快。這篇文章拆解一致性缺口從哪裡來、Target 與 Inditex 這類國際零售商怎麼處理，以及台灣品牌不必先換系統就能動手的幾個對帳點。

廣告平台操作實務

AI 廣告投放愈自動化，受眾名單愈是勝負手：排序看預期帶客數，不看倍數

兩大平台的官方文件都已寫明，你設定的受眾是建議不是圍欄，系統可以投給訊號以外的人。品牌手上仍有多個槓桿，其中最常被低估的一個是餵進去的那份名單。這篇拆解名單該怎麼排優先序：倍數只當入場門檻，候選排序看預期帶客數，也就是濃度差乘上可觸及人數。附平台官方規格對照、示意計算、防資料洩漏的護欄，以及名單保鮮期的管理方式。

91APP CDMP

回購率怎麼算才對？同一份會員資料，換一次分母就從 8% 變成 40%

回購率是零售品牌最常掛在嘴上、也最少對得起來的一個數字。同一份會員資料，換一個分母就能算出 8% 到 40% 四種答案。本文拆解回購率的三個必要選擇：觀察期、分母母體、回購事件的定義，說明為什麼在零售這種非契約情境裡，口徑是選擇、而未來會不會回購才是推論，並給出讓這個數字回到可決策狀態的做法。

行銷衡量

對照組怎麼切、樣本要多大？增量測試的結論，在開跑前就決定了

增量測試的成敗，多數不在分析階段，而在開跑前的三個設計決定：對照組切在哪一層、留多少比例、觀察窗開多長。這篇把三個決定各自的算法、可查證的門檻數字、以及最常見的污染來源整理成可以照著做的順序，並且說明測完看到「沒有顯著差異」時，正確的讀法是什麼。

行銷衡量

行銷成效沒有對照組，算出來的多半是本來就會買的人

活動結束後那張漂亮的報表，回答的是誰買了，不是誰因為這檔活動才買。eBay 停掉品牌關鍵字廣告，99.5% 的付費點擊立刻被自然搜尋接走；同一批資料用迴歸法算報酬率 4,173%，用隨機實驗算是負 63%。本文拆解增量思維：沒有對照組，報表就會把大量本來就會發生的成交算成活動的功勞。

廣告歸因

廣告歸因報表說賺錢、增量測試說沒差：兩套結論打架時，先分用途再分預算

Meta 後台說這檔賺錢，隨機保留三週沒投放的那組顧客卻照樣下單。歸因報表與增量測試給出相反結論時，多數團隊的直覺是挑一個相信，但兩者回答的本來就是不同問題：歸因在分配已經發生的訂單，增量在問這筆訂單原本會不會發生。本文拆解平台自我歸因的三個結構性放大器，給出先對帳、後裁決的四步排查順序，並把兩套數字分派到日常優化與預算分配兩張決策表。

技術與數據優化

AI 客服答不準怎麼辦？先盤點它讀不到的那幾張表

評估 AI 客服時，大部分品牌問的是哪家系統比較強，實際卡住的卻是它能不能讀到後台那幾張表。這篇把尺寸庫存、訂單狀態、多品牌設定、平台串接四類真實提問拆成資料需求清單，說明答錯的代價怎麼估、哪些問題該轉真人，以及對話紀錄怎麼回流成會員標籤。

技術與數據優化

商品推薦不準？別急著換模型，先檢查商品資料

站內推薦與搜尋推不準，團隊通常先調模型、版位與權重，很少打開被送進系統的商品資料。屬性空白、分類只服務後台、識別碼跨系統對不上，都會讓演算法失去可以比較的材料。這篇文章把「推不準」拆成可檢查的資料問題，說明公開研究能證明什麼、不能證明什麼，並給出先修資料還是先調模型的判斷條件與量測設計。

技術與數據優化

AI 搜尋能見度怎麼量？曝光不等於被引用，被引用不等於有生意

Google 開了生成式 AI 成效報告，打開只有曝光一個數字，沒有點擊、沒有排名、沒有查詢字。市面上的監測工具賣的是提及率，那也不是引用。本文把 AI 搜尋能見度拆成爬蟲來過、有曝光、被寫進答案、有人點進來四類訊號，說清楚每一類能證明什麼、不能證明什麼，以及不必先買工具就能開始的查核做法。

會員經營

會員等級要分幾層？先算每一層權益的兌現成本，再看它換到什麼行為

會員等級要分幾層，常被當成設計題，其實是一道計算題。Costco 把 2% 回饋記成銷售額減項並設年度上限，Delta 把哩程負債按十二個月內外拆成兩欄，星巴克讓 Stars 六到十二個月到期，Amazon 乾脆把層級變成先收的訂閱費。四家公司用四種方法替權益成本畫出邊界。本文拆解每一層權益的兌現成本與兌現時間該怎麼一起估，以及層數為什麼該讓資料分布來決定。

會員經營

會員分級制度怎麼設計？門檻只算消費金額，容易把折扣獵人送上 VIP

會員分級制度最常見的做法，是用累積消費金額當唯一門檻。但這把尺獎勵的是花得多的人，未必是替品牌賺得多的人。從 Costco 的付費門檻、Delta 的等級通膨到星巴克 2026 年三月改成三級制，本文拆解等級門檻的三個診斷斷點，以及台灣品牌重算門檻前該先對齊的事。

會員經營

會員等級降級機制怎麼設計？續等條件與保護期，決定權益負債會不會繼續累積

降級難做的原因，在於權益一旦公告出去，就成了一筆持續累積的兌現成本。這筆成本收不回來，能動的只有續等條件與保護期這類下一個週期才生效的規則。從 Delta 的資格年歸零、Marriott 關閉終身等級入口，到星巴克讓等級決定 Stars 會不會到期，本文拆解續等條件、保護期、降級通知節奏與挽回動線該怎麼設計。

技術與數據優化

Agentic Enterprise Solution：企業 AI Agent 平台怎麼比？Gemini Enterprise、Agentforce、Bedrock AgentCore 官方文件對照

選企業 AI Agent 平台，判準不在誰的模型比較聰明，也不在這家有沒有台灣分公司。把 Google Gemini Enterprise、Salesforce Agentforce、AWS Bedrock AgentCore、Microsoft Copilot Studio 與 SAP Joule 的官方文件攤開對照，真正要量的是三件事：你的資料被存在哪、agent 能讀還是能做、它懂不懂台灣零售怎麼做生意。

OMO 全通路洞察分析

OMO 做了卻沒成效，是制度問題還是系統問題：從業績歸屬規則就看得出來

資料接了、報表有了，OMO 數字仍沒改變時，下一步不宜直接再去比系統。制度題和系統題的症狀不同：系統題表現為算不出來，制度題表現為算出來了卻沒人改動作。91APP 團隊在本文提出「OMO 分診表」，用五個現象分辨自己卡在哪一邊，並拆開門市導客到線上的業績該記給誰、兩邊 KPI 為什麼在同一個顧客身上互斥、獎金結構裡有沒有跨通路欄位。歸屬規則沒寫下來之前，補系統可以改善可見性，未必會改變導客誘因。

91APP CDMP

RFM 分群放到 OMO 就會失真：同一個人在門市和線上沒歸戶，你會把最好的客人排到後面

RFM 的三個值都是對「一位顧客的一條交易序列」做統計。門市加線上的同一個人沒歸戶時，購買次數會被除散成多個低頻身分，累計金額被拆開，還會多出好幾個過時身分，讓同一個真人同時進活躍名單與喚醒名單。要修，順序是先歸戶、在新母體上重算、再補狀態與意圖。